劳动价值高于任务价值;任务发布的时间过短,导致无人可执行。附件二中给出了会员的信誉度,信誉度较高的会员越优先开始挑选任务,配额也就越大。由失败任务的直方图可以得到,任务方圆十公里的会员数很多,任务失败仍有一定的比例,推测可得,会员信誉度与任务完成情况有关,会员信誉度越高,任务完成的概率越大;反之,会员的信誉度越低,接收任务后无法完成的可能性越大。5.2问题二模型从问题一中发现,任务价格除了与任务周围的会员人数有关,也与其所在地区的人口密度和地理位置等有关。运用RBF神经网络进行训练学习确定新的任务定价方案。将设计出的定价方案与附件一中的定价方案进行比较,即可得到双方各自的优缺点。5.2.1模型建立Step1.RBF神经网络(径向基神经网络)(1)网络参数确定RBF神经网络由输入层,隐含层和输出层组成,其隐含层基函数常为高斯函数。最常用的函数为:RiX=exp-X-Ci22σi2,i=1,⋯,10其中,σi为径向基函数的扩展常数,反应函数图像的宽度。X为输入向量,Ci为基函数的中心向量,与X有相同维数的向量;X-Ci为向量X-Ci的范式,通常表示X与Ci之间的距离;RiX在Ci处有唯一的最大值,随着X-Ci的增大,RiX迅速衰减到0。在本题中,任务的输入样本共有10个,即输入层的输入为X=x1,x2,⋯,x10;输出为任务定价,即实际输出为Y=y,建立多输入、单输出的三层网络结构。RBF网络输入层与隐含层直接连接,相当于直接将输入变量输入到隐含层。对于给定的输入,只有小部分靠近X的中心被激活。当确定了RBF网络的聚类中心Ci、扩展常数σi与隐含层到输出层的权值以后,就可求出给定某一输入时,网络对应的输出值。图5.2.1RBF神经网络建模结构(2)样本数据训练学习在RBF神经网络中,需要通过学习和训练确定基函数的扩展常数,基函数中心向量与隐含层到输出层的权值。一般分为3步进行:
全文预览
